The Doppler Quarterly (FRANÇAIS) Été 2016 - Page 38

Portée et planification • Démarrage et plan des ressources • Portée et finalisation des livrables • Planification des ressources • Plan détaillé du projet Inventaire des données • Analyse des systèmes d'enregistrement actuels • Analyse des normes d'entreprise actuelles concernant la Gouvernance des données • Définition des exigences de qualité de l'entreprise pour les données entrantes Inventaire des applications • Inventaire des systèmes existants liés à la BI, aux analyses, aux rapports et à l'espace de travail numérique • Modélisation des relations existant entre les flux de travail des systèmes et les données • Evaluation des méthodes actuelles de gestion des modèles et de l'exécution Inventaire de l'infrastructure • Portefeuille de technologie d'infrastructure • Environnements SDLC • Analyse Shadow IT • Analyse de la capacité et de la croissance • Modélisation et coût opérationnels • Niveaux de services • Gestion du changement • Portefeuille technologique • Organisation des opérations • Modèle de coût Vision Big Data et Analyse de cas Stratégie d'implémentation • Terminaisons cloud et niveaux de services • Principes cloud • Architecture de référence et fonctionnalités • Contraintes et dépendances • Moteurs commerciaux et opportunités • Risques • Analyse de cas • Stratégie de terminaisons de plateforme • Stratégie de migration d'applications • Plans d'implémentation rapide • Budget et ressources • Feuille de route d'implémentation • Modèle opérationnel Figure 1 : Stratégie de déploiement des capacités d'analyse L'apprentissage automatique est une tendance émergente au sein de l'espace technologique, mais il ne s'agit pas d'une nouvelle technologie. Les capacités d'apprentissage automatique ont été recherchées pendant des décennies et optimisées depuis de nombreuses années par des organisations technolo- giques matures. La différence à présent est la capacité pour davantage d'orga- nisations d'optimiser le travail dans la communauté d'apprentissage automa- tique, incluant la facilité de consommer les API et les modèles pré-formés spécifiques à certains domaines. L'apprentissage automatique complète le tra- vail croissant dans l'espace des analyses prédictives en s'assurant que les résul- tats et les recommandations soient plus précis et hautement personnalisés à la personne, à l'organisation, au domaine et à l'objet. La création d'un lac de données dans le cloud implique des considérations spéciales, et offre des capacités avancées non économiquement disponibles dans les déploiements sur site, y compris l'élasticité, la récupération automatique, la disponibilité multi- zone et les services d'analyse basés sur PaaS pour la consommation des données. De nombreuses organisations évalueront le meilleur emplacement pour déployer un lac de données. En raison du besoin d'ingérer et d'intégrer les don- nées provenant de nombreux systèmes existants, l'emplacement et la connec- tivité d'un lac de données sont essentiels à son efficacité et utilisation. Les lacs de données basés sur le cloud offrent un avantage en raison de leur capacité à exploiter et interrompre les nouvelles ressources, à se connecter à différents réseaux et sources de données, et, encore plus important, à tirer profit des puissants outils et de l'expertise offerte par les prestataires et à disposer de leurs propres services internationaux. 36 | THE DOPPLER | ÉTÉ 2016